Tiny and Nano detectors 作者进一步缩小模型为 YOLOX-Tiny，以便与 YOLOv4-Tiny 进行比较。对于移动设备，采用深度卷积的方法构建了一个只有 0.91M参数 和 1.08G FLOPs 的 YOLOX-Nano 模型。如下表所示，YOLOX 在模型尺寸更小的情况下也比同类模型表现更加好。Model size and data augmentation 在实验中...
Tiny 和 Nano 检测器 该研究进一步将模型缩小为 YOLOX-Tiny，并与 YOLOv4-Tiny 进行比较。对于移动端设备，研究者采用深度卷积构建 YOLOX-Nano 模型，模型仅有 0.91M 参数量以及 1.08G FLOP。如表 4 所示，YOLOX 在更小的模型尺寸下表现良好。模型大小与数据增强 在实验中，所有模型都保持了几乎相同的学习...
对于移动设备,我们采用深度卷积来构建YOLOX-Nano模型,它只有0.91M的参数和1.08G的FLOPs。如表4所示。YOLOX在比同类模型更小的情况下表现良好。 表4: YOLOX-Tiny和YOLOX-Nano与同类产品在COCO阀上的AP(%)的比较。所有的模型都是在416×416的分辨率下测试的。 模型大小和数据增强 在我们的实验中,所有的模型都...
首先用YOLOv5的一张测试图象测试一下,基于YOLOX的samll版本模型运行结果如下: 跟YOLOV5 small版本测试结果完成一致,毫无违和感! 视频测试(YOLOX Small版本模型)运行结果如下: 感觉没有YOLOv5的small版本推理速度快(在我的机器上)!还需进一步优化输出解析代码。 视频测试(YOLOX Tiny版本模型)运行结果如下: CPU果然...
进一步缩小模型为YOLOX-Tiny,与YOLOv4-Tiny[30]进行比较。为了适应移动设备,采用深度卷积构建YOLOX-Nano模型,只有0.91M参数和1.08G FLOPs。YOLOX在比对应对手更小的模型尺寸下表现良好。 模型规模和数据增强: 实验中,所有模型基本保持相同的学习计划和优化参数。但是,适合的增强策略因模型大小而异。对于大型模型,更强...
2个3x3 卷积，最终调整到仅仅增加一点点参数，YOLOX 在 s,m,l,x 模型速度上的轻微下降也全源自于...
YOLOX-Tiny和YOLOX-S的轻量级模型也是典型的代表。这些检测器基于COCO、VOC等方面进行了模型评价，促进...
YOLOX结构的主要特点是采用了许多优化策略,如增量学习、自适应模型阶段和锚框生成等,以提高检测准确性的同时降低计算复杂度。此外,YOLOX支持不同的模型大小和速度要求,例如YOLOX-tiny, YOLOX-s, YOLOX-m和YOLOX-l等变种模型。 总的来说,YOLOX通过有效的网络结构和算法改进,实现了更准确和高效的目标检测,被广泛...
本文的Yolox算法,也从这个角度出发,将Yolox模型,变为多种可选配的网络,比如标准网络结构和轻量级网络结构。 (1)标准网络结构:Yolox-s、Yolox-m、Yolox-l、Yolox-x、Yolox-Darknet53。 (2)轻量级网络结构:Yolox-Nano、Yolox-Tiny。 在实际的项目中,大家可以根据不同项目需求,进行挑选使用。